CN112489431A - 一种基于5g v2x的车辆协同跟随控制系统及控制方法 - Google Patents

一种基于5g v2x的车辆协同跟随控制系统及控制方法 Download PDF

Info

Publication number
CN112489431A
CN112489431A CN202011438879.XA CN202011438879A CN112489431A CN 112489431 A CN112489431 A CN 112489431A CN 202011438879 A CN202011438879 A CN 202011438879A CN 112489431 A CN112489431 A CN 112489431A
Authority
CN
China
Prior art keywords
vehicle
acceleration
expected
main vehicle
controller
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011438879.XA
Other languages
English (en)
Other versions
CN112489431B (zh
Inventor
阴晓峰
杨柯普
赵小娟
朱宇航
陶浪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN202011438879.XA priority Critical patent/CN112489431B/zh
Publication of CN112489431A publication Critical patent/CN112489431A/zh
Application granted granted Critical
Publication of CN112489431B publication Critical patent/CN112489431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Feedback Control In General (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种基于5G V2X的车辆协同跟随控制系统及控制方法，控制系统由5G V2X通信模块、车辆状态采集模块、协同决策层和运动控制层组成；控制方法为：首先采集前车及主车运动状态信息，然后由安全距离模型计算期望车间距，再结合车间运动学模型、由模型预测控制器计算期望加速度，并根据期望加速度的大小由驱动/制动决策模块确定车辆运动控制模式，通过模糊控制器确定PID控制参数，最后由PID控制器调节被控车辆的驱动转矩或制动压力，实现主车对前车的协同跟随控制。本发明具有更低的通信时延、更远的有效通信距离、以及更高的高速移动可靠性；提高了车辆跟随过程中的安全性；兼顾了经济性及舒适性要求。

Description

一种基于5G V2X的车辆协同跟随控制系统及控制方法
技术领域
本发明属于车辆自动驾驶技术领域，尤其涉及一种基于5G V2X的车辆协同跟随控制系统及控制方法。
背景技术
随着汽车电子控制技术的发展和智能化要求的提高，ADAS取得广泛应用。作为ADAS的典型代表，ACCS能够通过雷达等传感器感知环境信息，并控制车辆自动加速或减速以实现对前车的安全跟随行驶，在一定程度上减轻了驾驶员的工作强度。但在车辆处于雨雾等恶劣天气或车间距离较远时，传感器环境感知的效果会受到影响，对行车安全构成潜在威胁。车联网技术的发展，使车辆能够通过直连或网络通信在恶劣环境下实现更大范围的环境感知，弥补了传感器的不足。因此，基于V2X的协同跟随控制技术，对于提高装备ACCS车辆的行驶安全性、行驶效率和交通流的稳定性具有重要作用。
目前，ACCS在环境感知方面主要有两种方案：一是使用雷达、摄像头等传感器进行感知；二是使用雷达、摄像头等传感器与DSRC无线通信结合进行感知。
传统的ACCS主要通过毫米波雷达获取与目标车辆的相对运动信息(相对速度、相对距离)，通过车速传感器获取主车运动信息(速度、加速度)，控制器根据获得的车辆相对运动信息和主车运动信息控制车辆驱动或制动，使车辆能够按照期望的车速行驶，并保持车间安全距离。
另一种方案则是在传感器的基础上结合DSRC无线通信技术，开发出协同式自适应巡航控制系统(CACCS)，通过DSRC通信将车与车联接起来，实现互联车辆之间信息的共享。主车通过DSRC通信和GPS获取与目标车辆的相对运动信息(相对速度、相对距离)，通过车速传感器获取主车运动信息(速度、加速度)，控制器根据DSRC通信、GPS以及传感器获得的车辆运动信息控制车辆驱动或制动，使车辆能够按照期望的车速行驶，并保持车间安全距离。
总的来说，目前仅使用传感器对环境进行感知的传统ACCS发展较为成熟，但在雨雾等恶劣天气以及超视距等情况下，存在感知能力下降或难以感知前车状态的不足；基于DSRC通信的CACCS感知效果不受天气影响且感知范围比传统方案有所提高，但相对于高级自动驾驶实时控制而言，仍存在通信时延相对较高、有效通信距离相对较短、高速移动可靠性下降等不足。
术语解释：
V2X：车联万物，Vehicle to Everything。
DSRC：专用短程通信，Dedicated Short Range Communication。
ADAS：先进驾驶辅助系统，Advanced Driver Assistance System。
ACCS：自适应巡航控制系统，Adaptive Cruise Control System。
CACCS：协同式自适应巡航控制系统，Cooperative Adaptive Cruise ControlSystem。
模糊化：模糊化是将某一确定值转换为与其相应的模糊语言变量值的过程。
反模糊化：也称解模糊化或去模糊化，是将模糊化的语言变量值转化成与其相应的确定值。
发明内容
本发明的目的：能够在不受天气影响的同时实现超视距前车状态感知，具有更低的通信延时、更远的有效通信距离、以及更高的高速移动可靠性；在改善整车经济性和乘坐舒适性的前提下，通过对期望加速度的跟踪、实现主车对前车车速以及安全车间距的跟随控制。为此提供一种基于5G V2X的车辆协同跟随控制系统及控制方法。
本发明的一种基于5G V2X的车辆协同跟随控制系统，由5G V2X通信模块、车辆状态采集模块、协同决策层和运动控制层组成。
5G V2X通信模块接收它车的速度、位置信息，并向它车发送主车的速度、位置信息。
车辆状态采集模块通过5G V2X通信模块采集前车的速度、位置信息，同时通过车载传感器采集主车的速度、位置信息；然后，根据采集的信息计算出前车与主车的实际间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
协同决策层由安全距离模型、车间运动学模型以及模型预测控制器组成；该层以前车与主车的相对速度、主车速度、前车与主车的实际间距、前车加速度、主车加速度以及主车加速度变化率为输入，根据期望车间距与实际车间距偏差、结合车间运动学模型，通过模型预测控制器确定期望加速度，并传输至运动控制层。
安全距离模型根据车辆状态采集模块提供的前车与主车的相对速度和主车速度，输出期望车间距。
车间运动学模型为模型预测控制器提供反应主车和前车纵向相对运动学关系的离散状态空间方程。
模型预测控制器基于车间运动学模型，输入为期望车间距与实际车间距的偏差、主车速度、主车加速度、主车加速度变化率、前车速度和前车与主车的相对速度，输出为期望加速度。
运动控制层包含驱动/制动决策模块、模糊控制器以及PID控制器，共同实现控制车辆以期望加速度跟随前车行驶，并保持车间安全距离。
驱动/制动决策模块根据期望加速度的大小确定车辆运动控制模式。
模糊控制器根据主车期望加速度与实际加速度的偏差及其变化率，动态输出PID控制参数。
PID控制器根据模糊控制器输出的PID控制参数以及驱动/制动决策模块确定的车辆运动控制模式，控制车辆驱动转矩或制动压力，实现主车对前车的跟随控制。
本发明的一种基于5G V2X的车辆协同跟随控制方法，首先采集前车及主车运动状态信息，然后由安全距离模型计算期望车间距，再根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算期望加速度，并根据期望加速度的大小由驱动/制动决策模块确定车辆运动控制模式，通过模糊控制器确定PID控制参数，最后由PID控制器调节被控车辆的驱动转矩或制动压力，实现主车对前车的协同跟随控制，其具体步骤如下：
步骤1：采集前车及主车运动状态信息；
首先通过5G V2X通信模块采集前车的速度、位置，同时通过传感器采集主车的速度、位置信息；然后根据采集的信息计算出前车与主车的实际车间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
步骤2：计算期望车间距；
根据由下式表示的安全距离模型，计算期望车间距
ddes＝th1v+th2vr+d0
式中，ddes为期望车间距，表示前车与主车的期望安全距离；th1、th2均为大于0的常数；vr表示前车与主车的相对速度；v表示主车的行驶速度；d0表示两车最小固定距离，包括车身长度。
步骤3：计算期望加速度；
根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算出期望加速度，具体如下：
S31建立车间运动学模型的离散状态空间方程：
Figure BDA0002829866150000031
式中：
Figure BDA0002829866150000041
Figure BDA0002829866150000042
f＝[-d0 0]T；x(k)＝[d(k),vr(k),v(k),a(k),j(k)]T为k时刻的状态变量，d(k)表示k时刻实际车间距，即前车与主车的间距，v(k)、vr(k)分别表示k时刻主车速度、前车与主车的相对速度，a(k)为k时刻主车加速度，j(k)为k时刻主车加速度变化率；u(k)为k时刻的期望加速度ades(k)；w(k)为k时刻的前车加速度ap(k)；y(k)＝[d(k)-ddes(k),vr(k)]T；Ts为系统的采样周期；T1为一阶惯性环节的时间常数。
S32建立模型预测控制器优化目标函数的标准二次型：
Figure BDA0002829866150000046
式中，U(k)为k时刻的控制向量序列，即期望加速度序列，U(k)＝[u(k|k),u(k+1|k)，…,u(k+p-1|k)]T，p为预测时域；Q和R为权重矩阵，Q＝diag(q1,q2,…,qp)，R＝diag(r1,r2,…,rp)；I(k)是与控制量无关的向量，
Figure BDA0002829866150000043
其中W(k)为扰动量，在整个控制时域内扰动量不变；F＝[f,f，…,f]T；
Figure BDA0002829866150000044
为根据车间运动学模型建立的预测矩阵，具体为：
Figure BDA0002829866150000045
S33建立系统约束方程：
AuU(k)≥c
式中，
Figure BDA0002829866150000051
为从当前时刻k到预测时域p的系统状态约束输出方程
Figure BDA0002829866150000052
的系数矩阵，
Figure BDA0002829866150000053
且Ycmin≤Yc(k+p|k)≤Ycmax，Ac为系统状态约束输出方程yc(k)＝Acx(k)的系数矩阵，Ac＝diag(1,1,1,1,1)；E＝diag(1,1,…,1)；Umin、Umax为系统控制约束方程
Figure BDA0002829866150000054
中的最小、最大值，
Figure BDA0002829866150000055
Ycmin＝[ycmin ycmin … ycmin]T、Ycmax＝[ycmax ycmax …ycmax]T、ycmin＝[d0 -∞ vmin amin jmin]T、ycmax＝[∞ ∞ vmax amax jmax]T，ycmin、ycmax为系统状态约束输出的最小值和最大值；vmin、vmax分别为主车的最小、最大速度；amin、amax分别为主车最小、最大加速度；jmin、jmax分别为主车最小、最大加速度变化率。
S34根据目标函数的标准二次型以及系统约束方程，求出控制时域内的最优控制序列，即期望加速度序列；并将计算出的期望加速度序列的第一个值输入运动控制层。
步骤4：车辆运动控制；
S41驱动/制动模式决策：
驱动/制动决策模块根据协同决策层输入的期望加速度ades与驱动转矩为零时的最小加速度amin的差值，按下式确定车辆运动控制模式；设置大于零的阈值Δa；若期望加速度ades减去驱动转矩为零时的最小加速度amin所得偏差绝对值不大于Δa，保持当前控制模式；若偏差大于Δa，为驱动控制模式；若偏差小于-Δa，为制动控制模式。
Figure BDA0002829866150000061
式中，Δa取值大于零。
S42建立模糊PID控制器，确定PID控制参数；
首先确定模糊控制器的输入输出变量及其论域，然后确定模糊控制器各输入输出变量模糊子集的语言变量，再建立模糊控制器各输入输出变量的隶属度函数，然后建立PID控制器的比例、积分和微分系数的模糊规则，再根据模糊逻辑并按照设计的模糊规则对PID控制器的比例、积分和微分系数进行实时调整，最后反模糊化得到三个参数的具体值。具体如下：
S421确定模糊控制器的输入输出变量及论域；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为模糊控制器的输入，e、ec的论域分别取为[-3,3]、[-2,2]；以PID控制器的比例、积分和微分系数kp、ki、kd为模糊控制器的输出，kp、ki、kd的论域分别取为[-1.3,1.3]、[-0.08,0.08]、[-1.5,1.5]。
S422确定模糊控制器各输入输出变量模糊子集的语言变量；
以{PB,PM,PS,ZO,NS,NM,NB}为模糊控制器各输入输出变量模糊子集的语言变量，表示模糊控制器各输入输出变量在正负两个方向的大小等级；以期望加速度与实际加速度的偏差值为例，PB、PM、PS表示加速度在正方向上偏差值的大小等级，ZO表示期望加速度与实际加速度数值相近，NB、NM、NS则表示加速度在负方向上偏差值的大小等级。
S423建立模糊控制器各输入输出变量的隶属度函数；
S424建立PID控制器的比例、积分和微分系数的模糊规则；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为输入、分别以PID控制器的比例系数kp、积分系数ki和微分系数kd为输出，建立kp、ki、kd的模糊规则。
S425根据建立的模糊控制器各输入输出变量的隶属度函数，以及PID控制器的比例、积分和微分系数的模糊规则，将各输入变量模糊化后、经模糊推理和反模糊化，求出模糊控制器输出量kp、ki、kd的精确值。
S43使用PID算法实现主车对前车的跟随控制；
根据确定的车辆运动控制模式和PID控制参数，由PID控制器调节被控车辆的驱动转矩或制动压力，对车辆的驱动或制动过程进行控制，达到对期望加速度的跟踪，实现主车对前车的协同跟随控制。
本发明的有益技术效果为：
(1)基于5G V2X通信技术实现车辆协同跟随控制，相对于使用传感器感知前车状态的方案而言，能够在不受天气影响的同时实现超视距前车状态感知；相对于通过DSRC获取前车状态的方案而言，具有更低的通信时延、更远的有效通信距离、以及更高的高速移动可靠性。
(2)所采用的安全车距模型，在恒定车头时距的基础上加入了前车车速，不仅能够保证跟随行驶时的稳定性，而且对相对复杂的道路场景具有一定的适应性，提高了车辆跟随过程中的安全性。
(3)以实际车间距与期望车间距的偏差尽可能小且主车速度应逐渐收敛于前车速度、且获得较好的经济性和乘坐舒适性为优化目标，在保证安全性的前提下，兼顾了经济性及舒适性要求。
附图说明
图1为基于5G V2X的车辆协同跟随控制系统示意图。
图2为运动控制层控制框图。
图3为变量e的隶属度函数。
图4为变量ec的隶属度函数。
图5为变量kp的隶属度函数。
图6为变量ki的隶属度函数。
图7为变量kd的隶属度函数。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于5G V2X的车辆协同跟随控制系统，结构如图1所示，由5G V2X通信模块、车辆状态采集模块、协同决策层和运动控制层组成。
5G V2X通信模块接收它车的速度、位置信息，并向它车发送主车的速度、位置信息。
车辆状态采集模块通过5G V2X通信模块采集前车的速度、位置信息，同时通过车载传感器采集主车的速度、位置信息；然后，根据采集的信息计算出前车与主车的实际间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
协同决策层由安全距离模型、车间运动学模型以及模型预测控制器组成；该层以前车与主车的相对速度、主车速度、前车与主车的实际间距、前车加速度、主车加速度以及主车加速度变化率为输入，根据期望车间距与实际车间距偏差、结合车间运动学模型，通过模型预测控制器确定期望加速度，并传输至运动控制层。
安全距离模型根据车辆状态采集模块提供的前车与主车的相对速度和主车速度，输出期望车间距。
车间运动学模型为模型预测控制器提供反应主车和前车纵向相对运动学关系的离散状态空间方程。
模型预测控制器基于车间运动学模型，输入为期望车间距与实际车间距的偏差、主车速度、主车加速度、主车加速度变化率、前车速度和前车与主车的相对速度，输出为期望加速度。
运动控制层包含驱动/制动决策模块、模糊控制器以及PID控制器，共同实现控制车辆以期望加速度跟随前车行驶，并保持车间安全距离。
驱动/制动决策模块根据期望加速度的大小确定车辆运动控制模式(即驱动或者制动)。
模糊控制器根据主车期望加速度与实际加速度的偏差及其变化率，动态输出PID控制参数(即PID控制器的比例系数kp、积分系数ki和微分系数kd)。
PID控制器根据模糊控制器输出的PID控制参数以及驱动/制动决策模块确定的车辆运动控制模式，控制车辆驱动转矩或制动压力，实现主车对前车的跟随控制。
本发明的一种基于5G V2X的车辆协同跟随控制方法，首先采集前车及主车运动状态信息，然后由安全距离模型计算期望车间距，再根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算期望加速度，并根据期望加速度的大小由驱动/制动决策模块确定车辆运动控制模式，通过模糊控制器确定PID控制参数，最后由PID控制器调节被控车辆的驱动转矩或制动压力，实现主车对前车的协同跟随控制，其具体步骤如下：
步骤1：采集前车及主车运动状态信息
首先通过5G V2X通信模块采集前车的速度、位置，同时通过传感器采集主车的速度、位置信息；然后根据采集的信息计算出前车与主车的实际车间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
步骤2：计算期望车间距；
根据由下式表示的安全距离模型，计算期望车间距
ddes＝th1v+th2vr+d0
式中，ddes为期望车间距，表示前车与主车的期望安全距离；th1、th2均为大于0的常数；vr表示前车与主车的相对速度；v表示主车的行驶速度；d0表示两车最小固定距离，包括车身长度。
步骤3：计算期望加速度；
根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算出期望加速度，具体如下：
S31建立车间运动学模型的离散状态空间方程：
Figure BDA0002829866150000091
式中：
Figure BDA0002829866150000092
Figure BDA0002829866150000093
f＝[-d0 0]T；x(k)＝[d(k),vr(k),v(k),a(k),j(k)]T为k时刻的状态变量，d(k)表示k时刻实际车间距，即前车与主车的间距，v(k)、vr(k)分别表示k时刻主车速度、前车与主车的相对速度，a(k)为k时刻主车加速度，j(k)为k时刻主车加速度变化率；u(k)为k时刻的期望加速度ades(k)；w(k)为k时刻的前车加速度ap(k)；y(k)＝[d(k)-ddes(k),vr(k)]T；Ts为系统的采样周期，取值0.01s；T1为一阶惯性环节的时间常数，取值为0.5。
S32建立模型预测控制器优化目标函数的标准二次型：
Figure BDA0002829866150000094
式中，U(k)为k时刻的控制向量序列，即期望加速度序列，U(k)＝[u(k|k),u(k+1|k)，…,u(k+p-1|k)]T，p为预测时域；Q和R为权重矩阵，Q＝diag(q1,q2,…,qp)，R＝diag(r1,r2,…,rp)；I(k)是与控制量无关的向量，
Figure BDA0002829866150000095
其中W(k)为扰动量，在整个控制时域内扰动量不变；F＝[f,f，…,f]T；
Figure BDA0002829866150000096
为根据车间运动学模型建立的预测矩阵，具体为：
Figure BDA0002829866150000101
S33建立系统约束方程：
AuU(k)≥c
式中，
Figure BDA0002829866150000102
为从当前时刻k到预测时域p的系统状态约束输出方程
Figure BDA0002829866150000103
的系数矩阵，
Figure BDA0002829866150000104
且Ycmin≤Yc(k+p|k)≤Ycmax，Ac为系统状态约束输出方程yc(k)＝Acx(k)的系数矩阵，Ac＝diag(1，1，1，1，1)；E＝diag(1，1，…，1)；Umin、Umax为系统控制约束方程
Figure BDA0002829866150000105
中的最小、最大值，
Figure BDA0002829866150000106
Ycmin＝[ycmin ycmin … ycmin]T、Ycmax＝[ycmax ycmax… ycmax]T、ycmin＝[d0 -∞ vmin amin jmin]T、ycmax＝[∞ ∞ vmax amax jmax]T，ycmin、ycmax为系统状态约束输出的最小值和最大值；vmin、vmax分别为主车的最小、最大速度；amin、amax分别为主车最小、最大加速度；jmin、jmax分别为主车最小、最大加速度变化率。
S34根据目标函数的标准二次型以及系统约束方程，求出控制时域内的最优控制序列，即期望加速度序列；并将计算出的期望加速度序列的第一个值输入运动控制层。
步骤4：车辆运动控制；
S41驱动/制动模式决策：
驱动/制动决策模块根据协同决策层输入的期望加速度ades与驱动转矩为零时的最小加速度amin的差值，按下式确定车辆运动控制模式；设置大于零的阈值Δa；若期望加速度ades减去驱动转矩为零时的最小加速度amin所得偏差绝对值不大于Δa，保持当前控制模式；若偏差大于Δa，为驱动控制模式；若偏差小于-Δa，为制动控制模式。
Figure BDA0002829866150000111
式中，Δa取值为0.05m/s2。
S42建立模糊PID控制器，确定PID控制参数；
如图2所示，首先确定模糊控制器的输入输出变量及其论域，然后确定模糊控制器各输入输出变量模糊子集的语言变量，再建立模糊控制器各输入输出变量的隶属度函数，然后建立PID控制器的比例、积分和微分系数的模糊规则，再根据模糊逻辑并按照设计的模糊规则对PID控制器的比例、积分和微分系数进行实时调整，最后反模糊化得到三个参数的具体值。具体如下：
S421确定模糊控制器的输入输出变量及论域；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为模糊控制器的输入，e、ec的论域分别取为[-3,3]、[-2,2]；以PID控制器的比例、积分和微分系数kp、ki、kd为模糊控制器的输出，kp、ki、kd的论域分别取为[-1.3,1.3]、[-0.08,0.08]、[-1.5,1.5]。
S422确定模糊控制器各输入输出变量模糊子集的语言变量；
以{PB,PM,PS,ZO,NS,NM,NB}为模糊控制器各输入输出变量模糊子集的语言变量，表示模糊控制器各输入输出变量在正负两个方向的大小等级；以期望加速度与实际加速度的偏差值为例，PB、PM、PS表示加速度在正方向上偏差值的大小等级，ZO表示期望加速度与实际加速度数值相近，NB、NM、NS则表示加速度在负方向上偏差值的大小等级。
S423建立模糊控制器各输入输出变量的隶属度函数。分别如图3-7所示。
S424建立PID控制器的比例、积分和微分系数的模糊规则；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为输入、分别以PID控制器的比例系数kp、积分系数ki和微分系数kd为输出，建立kp、ki、kd的模糊规则。分别如表1、表2和表3所示。
表1 kp的模糊规则
Figure BDA0002829866150000121
表2 ki的模糊规则
Figure BDA0002829866150000122
表3 kd的模糊规则
Figure BDA0002829866150000123
S425根据建立的模糊控制器各输入输出变量的隶属度函数，以及PID控制器的比例、积分和微分系数的模糊规则，将各输入变量模糊化后、经模糊推理和反模糊化，求出模糊控制器输出量kp、ki、kd的精确值。
S43使用PID算法实现主车对前车的跟随控制；
根据确定的车辆运动控制模式和PID控制参数，由PID控制器调节被控车辆的驱动转矩或制动压力，对车辆的驱动或制动过程进行控制，达到对期望加速度的跟踪，实现主车对前车的协同跟随控制。

Claims (2)

1.一种基于5G V2X的车辆协同跟随控制系统，其特征在于，由5G V2X通信模块、车辆状态采集模块、协同决策层和运动控制层组成；
所述5G V2X通信模块接收它车的速度、位置信息，并向它车发送主车的速度、位置信息；
所述车辆状态采集模块通过5G V2X通信模块采集前车的速度、位置信息，同时通过车载传感器采集主车的速度、位置信息；然后，根据采集的信息计算出前车与主车的实际间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率；
所述协同决策层由安全距离模型、车间运动学模型以及模型预测控制器组成；该层以前车与主车的相对速度、主车速度、前车与主车的实际间距、前车加速度、主车加速度以及主车加速度变化率为输入，根据期望车间距与实际车间距偏差、结合车间运动学模型，通过模型预测控制器确定期望加速度，并传输至运动控制层；
安全距离模型根据车辆状态采集模块提供的前车与主车的相对速度和主车速度，输出期望车间距；
车间运动学模型为模型预测控制器提供反应主车和前车纵向相对运动学关系的离散状态空间方程；
模型预测控制器基于车间运动学模型，输入为期望车间距与实际车间距的偏差、主车速度、主车加速度、主车加速度变化率、前车速度和前车与主车的相对速度，输出为期望加速度；
所述运动控制层包含驱动/制动决策模块、模糊控制器以及PID控制器，共同实现控制车辆以期望加速度跟随前车行驶，并保持车间安全距离；
驱动/制动决策模块根据期望加速度的大小确定车辆运动控制模式；
模糊控制器根据主车期望加速度与实际加速度的偏差及其变化率，动态输出PID控制参数；
PID控制器根据模糊控制器输出的PID控制参数以及驱动/制动决策模块确定的车辆运动控制模式，控制车辆驱动转矩或制动压力，实现主车对前车的跟随控制。
2.一种基于5G V2X的车辆协同跟随控制方法，其特征在于，首先采集前车及主车运动状态信息，然后由安全距离模型计算期望车间距，再根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算期望加速度，并根据期望加速度的大小由驱动/制动决策模块确定车辆运动控制模式，通过模糊控制器确定PID控制参数，最后由PID控制器调节被控车辆的驱动转矩或制动压力，实现主车对前车的协同跟随控制，其具体步骤如下：
步骤1：采集前车及主车运动状态信息；
首先通过5G V2X通信模块采集前车的速度、位置，同时通过传感器采集主车的速度、位置信息；然后根据采集的信息计算出前车与主车的实际车间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率；
步骤2：计算期望车间距；
根据由下式表示的安全距离模型，计算期望车间距
ddes＝th1v+th2vr+d0
式中，ddes为期望车间距，表示前车与主车的期望安全距离；th1、th2均为大于0的常数；vr表示前车与主车的相对速度；v表示主车的行驶速度；d0表示两车最小固定距离，包括车身长度；
步骤3：计算期望加速度；
根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算出期望加速度，具体如下：
S31建立车间运动学模型的离散状态空间方程：
Figure FDA0002829866140000021
式中：
Figure FDA0002829866140000022
Figure FDA0002829866140000023
f＝[-d0 0]T；x(k)＝[d(k),vr(k),v(k),a(k),j(k)]T为k时刻的状态变量，d(k)表示k时刻实际车间距，即前车与主车的间距，v(k)、vr(k)分别表示k时刻主车速度、前车与主车的相对速度，a(k)为k时刻主车加速度，j(k)为k时刻主车加速度变化率；u(k)为k时刻的期望加速度ades(k)；w(k)为k时刻的前车加速度ap(k)；y(k)＝[d(k)-ddes(k),vr(k)]T；Ts为系统的采样周期；T1为一阶惯性环节的时间常数；
S32建立模型预测控制器优化目标函数的标准二次型：
Figure FDA0002829866140000031
式中，U(k)为k时刻的控制向量序列，即期望加速度序列，U(k)＝[u(k|k),u(k+1|k)，…,u(k+p-1|k)]T，p为预测时域；Q和R为权重矩阵，Q＝diag(q1,q2,…,qp)，R＝diag(r1,r2,…,rp)；I(k)是与控制量无关的向量，
Figure FDA0002829866140000032
其中W(k)作为扰动量，在整个控制时域内扰动量不变；F＝[f,f，…,f]T；
Figure FDA0002829866140000033
为根据车间运动学模型建立的预测矩阵，具体为：
Figure FDA0002829866140000034
S33建立系统约束方程：
AuU(k)≥c
式中，
Figure FDA0002829866140000035
Figure FDA0002829866140000036
为从当前时刻k到预测时域p的系统状态约束输出方程
Figure FDA0002829866140000037
的系数矩阵，
Figure FDA0002829866140000038
且Ycmin≤Yc(k+p|k)≤Ycmax，Ac为系统状态约束输出方程yc(k)＝Acx(k)的系数矩阵，Ac＝diag(1,1,1,1,1)；E＝diag(1,1,…,1)；Umin、Umax为系统控制约束方程
Figure FDA0002829866140000039
中的最小、最大值，
Figure FDA0002829866140000041
Ycmin＝[ycmin ycmin…ycmin]T、Ycmax＝[ycmax ycmax…ycmax]T、ycmin＝[d0 -∞ vmin amin jmin]T、ycmax＝[∞ ∞ vmax amax jmax]T，ycmin、ycmax为系统状态约束输出的最小值和最大值；vmin、vmax分别为主车的最小、最大速度；amin、amax分别为主车最小、最大加速度；jmin、jmax分别为主车最小、最大加速度变化率；
S34根据目标函数的标准二次型以及系统约束方程，求出控制时域内的最优控制序列，即期望加速度序列；并将计算出的期望加速度序列的第一个值输入运动控制层；
步骤4：车辆运动控制；
S41驱动/制动模式决策：
驱动/制动决策模块根据协同决策层输入的期望加速度ades与驱动转矩为零时的最小加速度amin的差值，按下式确定车辆运动控制模式；设置大于零的阈值Δa；若期望加速度ades减去驱动转矩为零时的最小加速度amin所得偏差绝对值不大于Δa，保持当前控制模式；若偏差大于Δa，为驱动控制模式；若偏差小于-Δa，为制动控制模式；
Figure FDA0002829866140000042
式中，Δa取值大于零；
S42建立模糊PID控制器，确定PID控制参数；
首先确定模糊控制器的输入输出变量及其论域，然后确定模糊控制器各输入输出变量模糊子集的语言变量，再建立模糊控制器各输入输出变量的隶属度函数，然后建立PID控制器的比例、积分和微分系数的模糊规则，再根据模糊逻辑并按照设计的模糊规则对PID控制器的比例、积分和微分系数进行实时调整，最后反模糊化得到三个参数的具体值；具体如下：
S421确定模糊控制器的输入输出变量及论域；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为模糊控制器的输入，e、ec的论域分别取为[-3,3]、[-2,2]；以PID控制器的比例、积分和微分系数kp、ki、kd为模糊控制器的输出，kp、ki、kd的论域分别取为[-1.3,1.3]、[-0.08,0.08]、[-1.5,1.5]；
S422确定模糊控制器各输入输出变量模糊子集的语言变量；
以{PB,PM,PS,ZO,NS,NM,NB}为模糊控制器各输入输出变量模糊子集的语言变量，表示模糊控制器各输入输出变量在正负两个方向的大小等级；以期望加速度与实际加速度的偏差值为例，PB、PM、PS表示加速度在正方向上偏差值的大小等级，ZO表示期望加速度与实际加速度数值相近，NB、NM、NS则表示加速度在负方向上偏差值的大小等级；
S423建立模糊控制器各输入输出变量的隶属度函数；
S424建立PID控制器的比例、积分和微分系数的模糊规则；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为输入、分别以PID控制器的比例系数kp、积分系数ki和微分系数kd为输出，建立kp、ki、kd的模糊规则；
S425根据建立的模糊控制器各输入输出变量的隶属度函数，以及PID控制器的比例、积分和微分系数的模糊规则，将各输入变量模糊化后、经模糊推理和反模糊化，求出模糊控制器输出量kp、ki、kd的精确值；
S43使用PID算法实现主车对前车的跟随控制；
根据确定的车辆运动控制模式和PID控制参数，由PID控制器调节被控车辆的驱动转矩或制动压力，对车辆的驱动或制动过程进行控制，达到对期望加速度的跟踪，实现主车对前车的协同跟随控制。
CN202011438879.XA 2020-12-11 2020-12-11 一种基于5g v2x的车辆协同跟随控制系统及控制方法 Active CN112489431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011438879.XA CN112489431B (zh) 2020-12-11 2020-12-11 一种基于5g v2x的车辆协同跟随控制系统及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011438879.XA CN112489431B (zh) 2020-12-11 2020-12-11 一种基于5g v2x的车辆协同跟随控制系统及控制方法

Publications (2)

Publication Number Publication Date
CN112489431A true CN112489431A (zh) 2021-03-12
CN112489431B CN112489431B (zh) 2022-04-22

Family

ID=74941379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011438879.XA Active CN112489431B (zh) 2020-12-11 2020-12-11 一种基于5g v2x的车辆协同跟随控制系统及控制方法

Country Status (1)

Country Link
CN (1) CN112489431B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113147764A (zh) * 2021-06-01 2021-07-23 吉林大学 基于协同式自适应巡航系统混合势函数的车辆控制方法
CN113320529A (zh) * 2021-05-18 2021-08-31 武汉光庭信息技术股份有限公司 基于自车标定和模糊控制的自适应巡航控制方法和系统
CN113788018A (zh) * 2021-04-27 2021-12-14 济南大学 通信时延影响下纵向队列关联车辆系统及其模糊控制方法
CN113793511A (zh) * 2021-11-18 2021-12-14 西南交通大学 高速公路车辆行驶指示方法、装置、设备及可读存储介质
CN115240400A (zh) * 2022-07-01 2022-10-25 一汽解放汽车有限公司 车辆位置识别方法和装置、车辆位置输出方法和装置
CN115285120A (zh) * 2022-07-07 2022-11-04 东南大学 一种基于模型预测控制的车辆跟随分层式控制系统及方法
JP2023034085A (ja) * 2021-08-30 2023-03-13 三菱電機株式会社 車両走行支援装置、車両走行支援方法及び車両制御装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108437991A (zh) * 2018-04-11 2018-08-24 厦门大学 一种智能电动汽车自适应巡航控制系统及其方法
US20190071084A1 (en) * 2017-09-05 2019-03-07 Arizona Board Of Regents On Behalf Of Arizona State University Model predictive adaptive cruise control for reducing rear-end collision risk with follower vehicles
CN110103960A (zh) * 2019-04-17 2019-08-09 北京汽车股份有限公司 车辆自适应巡航控制方法、系统及车辆

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190071084A1 (en) * 2017-09-05 2019-03-07 Arizona Board Of Regents On Behalf Of Arizona State University Model predictive adaptive cruise control for reducing rear-end collision risk with follower vehicles
CN108437991A (zh) * 2018-04-11 2018-08-24 厦门大学 一种智能电动汽车自适应巡航控制系统及其方法
CN110103960A (zh) * 2019-04-17 2019-08-09 北京汽车股份有限公司 车辆自适应巡航控制方法、系统及车辆

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李世豪: "基于MPC的汽车自适应巡航控制策略研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
荆亚杰: "基于MPC算法的车辆多目标自适应巡航控制系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113788018A (zh) * 2021-04-27 2021-12-14 济南大学 通信时延影响下纵向队列关联车辆系统及其模糊控制方法
CN113320529A (zh) * 2021-05-18 2021-08-31 武汉光庭信息技术股份有限公司 基于自车标定和模糊控制的自适应巡航控制方法和系统
CN113147764A (zh) * 2021-06-01 2021-07-23 吉林大学 基于协同式自适应巡航系统混合势函数的车辆控制方法
CN113147764B (zh) * 2021-06-01 2022-08-16 吉林大学 基于协同式自适应巡航系统混合势函数的车辆控制方法
JP2023034085A (ja) * 2021-08-30 2023-03-13 三菱電機株式会社 車両走行支援装置、車両走行支援方法及び車両制御装置
JP7321220B2 (ja) 2021-08-30 2023-08-04 三菱電機株式会社 車両走行支援装置、車両走行支援方法及び車両制御装置
CN113793511A (zh) * 2021-11-18 2021-12-14 西南交通大学 高速公路车辆行驶指示方法、装置、设备及可读存储介质
CN115240400A (zh) * 2022-07-01 2022-10-25 一汽解放汽车有限公司 车辆位置识别方法和装置、车辆位置输出方法和装置
CN115240400B (zh) * 2022-07-01 2023-11-07 一汽解放汽车有限公司 车辆位置识别方法和装置、车辆位置输出方法和装置
CN115285120A (zh) * 2022-07-07 2022-11-04 东南大学 一种基于模型预测控制的车辆跟随分层式控制系统及方法
CN115285120B (zh) * 2022-07-07 2023-08-18 东南大学 一种基于模型预测控制的车辆跟随分层式控制系统及方法

Also Published As

Publication number Publication date
CN112489431B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN112489431B (zh) 一种基于5g v2x的车辆协同跟随控制系统及控制方法
CN108437991B (zh) 一种智能电动汽车自适应巡航控制系统及其方法
Pananurak et al. Adaptive cruise control for an intelligent vehicle
CN109855639B (zh) 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN110816530B (zh) 一种自适应巡航系统的速度跟随控制方法及系统
Shakouri et al. Nonlinear model predictive control approach in design of adaptive cruise control with automated switching to cruise control
CN106154831B (zh) 一种基于学习法的智能汽车纵向神经滑模控制方法
EP0982172B1 (en) Automatic velocity and spacing control apparatus for automotive vehicle
CN111873998B (zh) 一种自动驾驶车辆纵向加速度规划方法
CN111016893B (zh) 一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法
CN103085816A (zh) 一种用于无人驾驶车辆的轨迹跟踪控制方法及控制装置
CN110588652B (zh) 一种低油耗的车辆自适应巡航控制系统及其控制方法
JP2020015492A (ja) アダプティブクルーズ制御装置および制御方法
CN113593275B (zh) 一种基于公交信号优先的交叉口网联自动驾驶方法
CN109334451B (zh) 基于双模糊控制的在高速公路行驶的车辆的油门自动控制方法
CN112224202A (zh) 一种紧急工况下的多车协同避撞系统及方法
CN112644488A (zh) 自适应巡航系统
CN101425106B (zh) 车辆多目标协调式自适应巡航控制性能的数学量化方法
Zhao et al. Coordinated throttle and brake fuzzy controller design for vehicle following
CN114510032A (zh) 一种保障车辆快速编队稳定的多车协同控制方法及装置
Tarhini et al. Adaptive look-ahead distance based on an intelligent fuzzy decision for an autonomous vehicle
CN110723143B (zh) 适用多行驶工况的经济型自适应巡航控制系统及方法
CN115352443B (zh) 一种基于旁车切入识别的自适应巡航控制方法及设备
CN115042770B (zh) 一种基于分布式鲁棒模型预测的车辆队列横向控制方法
Shuo et al. Adaptive cruise hierarchical control strategy based on MPC

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant